买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国农业大学申请的专利基于特征矩阵迭代重构的可解释风电功率预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119443852B 。

龙图腾网通过国家知识产权局官网在2025-11-25发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411456042.6，技术领域涉及：G06Q10/0637；该发明授权基于特征矩阵迭代重构的可解释风电功率预测方法是由赵永宁;陈延旭;赵媛设计研发完成，并于2024-10-17向国家知识产权局提交的专利申请。

本基于特征矩阵迭代重构的可解释风电功率预测方法在说明书摘要公布了：本发明涉及新能源功率预测领域，提出基于特征矩阵迭代重构的可解释风电功率预测方法，考虑了模型预测误差中包含的潜藏信息，通过具备可解释性的时间融合变换器TFT模型挖掘误差产生最大化路径并对特征矩阵进行动态重构，求解获得最优特征矩阵，从而提升了模型的预测精度；从局部和全局的角度分别对误差产生最大化路径进行了可解释分析，建立了预测误差的溯源机制，因此本发明能够有效地提高风电功率预测的安全度和可信度。

本发明授权基于特征矩阵迭代重构的可解释风电功率预测方法在权利要求书中公布了：1.基于特征矩阵迭代重构的可解释风电功率预测方法，其特征在于,包括以下步骤： 步骤A.预处理目标区域内各个风电场的历史风电功率和气象数据:基于互信息理论，采用最大相关-最小冗余mRMR原则从所述历史风电功率和气象数据中选取与风电功率相关性最大而彼此冗余性最小的特征因素，并构造初始特征矩阵； 步骤B.基于深度学习模型建立初始风电功率预测模型，将所述初始特征矩阵代入所述初始风电功率预测模型进行训练，预测所述目标区域中目标风电场的未来出力，计算获得风电功率的预测误差； 步骤C.利用具备可解释性的时间融合变换器TFT模型，基于所述初始特征矩阵对所述预测误差进行预测建模，依据模型在各时间步中注意力权重的分配，获得周期性误差最大化路径，生成表征误差最大化路径的特征向量； 步骤D.采用各时间步中注意力权重向量间的距离，表征所述初始特征矩阵内各特征向量的时序趋势变化；提取所述各特征向量内发生极端趋势变化的向量片段，聚合生成包含极端趋势变化的特征向量；将所述表征误差最大化路径的特征向量和所述包含极端趋势变化的特征向量与所述初始特征矩阵进行合并重构，得到重构特征矩阵；基于夏普利SHAP值法量化求解所述重构特征矩阵中各特征在风电功率预测任务中的贡献度，剔除贡献度最小的特征向量； 步骤E.多轮次生成和剔除所述贡献度最小的特征向量，直到满足迭代停止条件，得到最优特征矩阵；根据迭代所得的所述最优特征矩阵构建超短期风电功率预测模型；将所述超短期风电功率预测模型中输出的预测风电功率与所述TFT模型的预测误差的预测值进行线性叠加，获得最终风电功率预测值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国农业大学，其通讯地址为：100083 北京市海淀区清华东路17号中国农业大学(东区)；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。